Çekişmeli üretici ağlar ile gerçekçi saç sentezi

Üretici modelleme alanında elde edilen son yıllardaki başarılar, bu konudaki çalışmaları hızlandırmış ve araştırmacıların ilgisini çekmiştir. Bu başarıda en çok payı olan yöntemlerden bir tanesi de çekişmeli üretici ağlar’dır. Çekişmeli üretici ağlar, sanal gerçeklik (VR), artırılmış gerçeklik (AR), süper çözünürlük (super-resolution), görüntü iyileştirme (image enhancement) gibi konularda bir çok uygulama alanına sahiptir. Saç sentezleme, stil transferi ve şekil düzenleme görevleri, derin öğrenme ve üretici modellemedeki son ilerlemelere rağmen saçın karmaşık doğası nedeniyle hala çözülmeyi bekleyen zorlukları içerisinde barındırmaktadır. Bu problemin çözümü için literatürde önerilen yöntemler genellikle görseller üzerinde yüksek kaliteli saç düzenlemeleri yapmak üzerine odaklanmıştır. Bu tez kapsamında saç sentezi probleminin çözümü için bir çekişmeli üretici ağ yöntemi önerilmiştir. Bu yöntem geliştirilirken, literatürdeki en iyi yöntemler ile yarışır görsel çıktılar elde edebilmenin yanısıra, gerçek zamanlı saç sentezi yapılabilmesi de amaçlanmıştır. Önerilen yöntem, FFHQ veri kümesi ile eğitilmiş ve devamında ise saç stili transferi ve saç yeniden yapılandırma görevlerindeki sonuçları değerlendirilmiştir. Bu görevlerde elde edilen sonuçlar ve yöntemin işletim süresi literatürdeki en iyi yöntemlerden biri olan MichiGAN ile karşılaştırılmıştır. Karşılaştırma 128x128 çözünürlüğünde gerçekleştirilmiştir. Karşılaştırma sonucunda önerilen yöntemin, gerçekçi saç sentezi açısından MichiGAN ile yarışır sonuçlar elde ettiği, işletim süresi açısından daha iyi performans sergilediği gösterilmiştir.

Recent successes in generative modeling have accelerated studies on this subject and attracted the attention of researchers. One of the most important methods used to achieve this success is Generative Adversarial Networks (GANs). It has many application areas such as; virtual reality (VR), augmented reality (AR), super resolution, image enhancement. Despite the recent advances in hair synthesis and style transfer using deep learning and generative modelling, due to the complex nature of hair still contains unsolved challenges. The methods proposed in the literature to solve this problem generally focus on making high-quality hair edits on images. In this thesis, a generative adversarial network method is proposed to solve the hair synthesis problem. While developing this method, it is aimed to achieve real-time hair synthesis while achieving visual outputs that compete with the best methods in the literature. The proposed method was trained with the FFHQ dataset and then its results in hair style transfer and hair reconstruction tasks were evaluated. The results obtained in these tasks and the operating time of the method were compared with MichiGAN, one of the best methods in the literature. The comparison was made at a resolution of 128x128. As a result of the comparison, it has been shown that the proposed method achieves competitive results with MichiGAN in terms of realistic hair synthesis, and performs better in terms of operating time.